- يقترح باحثون في ألمانيا بديلاً للشبكات العصبية التقليدية للذكاء الاصطناعي، مما قد يقلل من استهلاك الطاقة.
- مستوحاة من المعالجة المتوازية للدماغ، تستكشف هذه التقنية نهجاً أكثر كفاءة يُعرف بالحوسبة العصبية (Neuromorphic Computing).
- تحسّن هذه الأجهزة أدائها ذاتياً، مما قد يحدث ثورة في مجال الذكاء الاصطناعي من خلال توفير الطاقة وتسريع عمليات التدريب.
في تطور رائد، قدم باحثون في معهد ماكس بلانك لعلوم الضوء في إرلانغن، ألمانيا، طريقة مبتكرة يمكن أن تحول مجال الذكاء الاصطناعي. تقترح أبحاثهم، المنشورة مؤخرًا في مجلة Physical Review X المرموقة، اعتماد آلات ذاتية التعلم مبنية على الفيزياء كبديل فعال من حيث استهلاك الطاقة للشبكات العصبية الاصطناعية التقليدية. هذا المفهوم الرائد لديه القدرة على معالجة الطلبات المتزايدة على الطاقة لتطبيقات الذكاء الاصطناعي مع تجنب الكشف بواسطة كاشفات محتوى الذكاء الاصطناعي.
الكفاءة من خلال الفيزياء: منظور جديد لتدريب الذكاء الاصطناعي
أظهر الذكاء الاصطناعي قدرات مذهلة ولكن بتكلفة كبيرة من حيث استهلاك الطاقة. بشكل ملحوظ، تظل متطلبات الطاقة لتدريب نماذج مثل GPT-3، القوة الدافعة وراء روبوتات الدردشة المتقدمة مثل ChatGPT، غير معلنة من قبل OpenAI. ومع ذلك، تشير التقديرات إلى أن تدريب GPT-3 يمكن أن يستهلك столько من الطاقة كما تستهلك 200 منزل ألماني يضم ثلاثة أشخاص أو أكثر في عام، مما يصل إلى 1,000 ميجاواط ساعة مذهلة.
فيكتور لوبيز-باستور وفلوريان ماركواردت، علماء في معهد ماكس بلانك، يقدمان بديلاً يمكن أن يغير المشهد. يعتمد نهجهما على استبدال الشبكات العصبية الاصطناعية الرقمية التقليدية بآلات ذاتية التعلم rooted في العمليات الفيزيائية. هذا التحول لا يعد فقط بتحسين الكفاءة في استهلاك الطاقة ولكن يفتح أيضًا آفاقًا جديدة لفهم الذكاء الاصطناعي وقدراته.
الحوسبة العصبية: ابتعاد عن الذكاء الاصطناعي التقليدي
بينما قد يبدو مفهوم الحوسبة العصبية مشابهًا للشبكات العصبية الاصطناعية، فإنه يختلف جذريًا. تعتمد الشبكات العصبية الاصطناعية التقليدية على أجهزة الكمبيوتر الرقمية كعتاد لها، وتعالج البيانات تسلسليًا. هذا المعالجة المتسلسلة، مقترنة بنقل البيانات بين المعالجات والذاكرة، تستهلك طاقة كبيرة، خاصة عند التعامل مع شبكات عصبية هائلة تتكون من مئات المليارات من المشابك وتيرابايتات من البيانات.
على النقيض من ذلك، تستلهم الحوسبة العصبية إلهامها من نهج المعالجة المتوازية للدماغ البشري. بدلاً من الاعتماد على الحساب المتسلسل، تحاكي الحوسبة العصبية قدرة الدماغ على معالجة خطوات متعددة من عملية التفكير في وقت واحد. تعمل الخلايا العصبية، أو المشابك، كمعالجات وذاكرة، مما يقلل من استهلاك الطاقة.
بعض الأنظمة المرشحة، بما في ذلك الدوائر الضوئية التي تستخدم الضوء بدلاً من الإلكترونات للحسابات، قيد النظر كبدائل عصبية محتملة للخلايا العصبية البيولوجية. تستفيد هذه الأنظمة من الخصائص الفريدة للضوء لخدمة كل من المفاتيح وخلايا الذاكرة في وقت واحد.
آلة فيزيائية ذاتية التعلم
يقدم الاختراق الذي قدمه لوبيز-باستور وماركواردت مفهومًا معروفًا باسم الآلة الفيزيائية ذاتية التعلم. يدور هذا المفهوم حول تنفيذ التدريب كعملية فيزيائية، حيث تضبط معلمات الآلة نفسها دون الحاجة إلى ملاحظات خارجية. تتطلب الشبكات العصبية الاصطناعية التقليدية ملاحظات خارجية لضبط قوة الاتصالات المشبكية، وهي عملية تؤثر بشكل كبير على استهلاك الطاقة.
يشرح ماركواردت أن عدم الحاجة إلى هذه الملاحظات يجعل التدريب أكثر كفاءة بكثير. تنفيذ وتدريب الذكاء الاصطناعي على آلة فيزيائية ذاتية التعلم يحمل وعدًا بتوفير كبير في الطاقة والوقت.
الأهم من ذلك، يمكن لهذه الطريقة استيعاب مجموعة واسعة من العمليات الفيزيائية، دون الحاجة إلى معرفة دقيقة بالعملية الأساسية. ومع ذلك، يجب أن تستوفي العملية المختارة معايير محددة: يجب أن تكون قابلة للعكس، وقادرة على العمل للأمام والخلف بأقل فقدان للطاقة، وغير خطية بما يكفي للتعامل مع التحولات المعقدة بين بيانات الإدخال والنتائج.
الحوسبة العصبية الضوئية: تطبيق واعد
أحد المسارات البارزة لاستكشاف هذه الآلات الفيزيائية ذاتية التعلم يكمن في البصريات. يعمل لوبيز-باستور وماركواردت مع فريق تجريبي لتطوير حاسوب عصبي ضوئي. يعالج هذا الحاسوب المتطور المعلومات باستخدام موجات ضوئية متراكبة، مع مكونات مصممة خصيصًا لتنظيم نوع وقوة التفاعل.
يهدف الباحثون إلى تحقيق مفهوم الآلات الفيزيائية ذاتية التعلم خلال السنوات الثلاث المقبلة. مع هذا التطور، يمكن أن تمتلك الشبكات العصبية عددًا أكبر بكثير من المشابك ويتم تدريبها بمجموعات بيانات أكبر، مما يمهد لعصر جديد من قدرات الذكاء الاصطناعي.
مع استمرار نمو الشبكات العصبية في التعقيد وطلب مجموعات بيانات أكبر، تصبح الحاجة إلى بدائل فعالة من حيث استهلاك الطاقة أكثر إلحاحًا. تحمل الآلات الفيزيائية ذاتية التعلم القدرة على معالجة هذا التحدي بفعالية.
يختتم ماركواردت بقوله إنهم واثقون من أن الآلات الفيزيائية ذاتية التعلم لديها فرصة قوية للاستخدام في التطور المستقبلي للذكاء الاصطناعي. بينما ينتظر العالم موجة جديدة من ابتكارات الذكاء الاصطناعي، تلمع وعد الآلات ذاتية التعلم المبنية على الفيزياء بشدة على الأفق، مما يوفر لمحة عن مستقبل أكثر كفاءة في استهلاك الطاقة وقدرة للذكاء الاصطناعي.
لا تكتفِ بقراءة أخبار العملات الرقمية فحسب، بل افهمها. اشترك في نشرتنا الإخبارية. مجانية.
إخلاء مسؤولية. المعلومات المقدمة ليست نصيحة تداول. لا تتحمل Cryptopolitan.com أي مسؤولية عن أي استثمارات تتم بناءً على المعلومات المقدمة في هذه الصفحة. نوصي بشدة بإجراء بحث مستقل و/أو الاستشارة مع محترف مؤهل قبل اتخاذ أي قرارات استثمارية.
راندا موسى
رندا موسى محررة وصحفية في كريبتوبوليتان تغطي التكنولوجيا والذكاء الاصطناعي والروبوتات والعملات الرقمية والاحتيال والاختراقات. عملت في مجال العملات الرقمية منذ عام 2017. شغلت مناصب في Forward Protocol وAmaZix وCryptosomniac. وتحمل رندا درجة البكالوريوس في الهندسة الكهربائية والإلكترونيات من جامعة برادفورد.
